memit

MEMIT : mémoire d'édition de masse dans un transformateur

Modification simultanée de milliers de faits dans la mémoire d'un transformateur.

Table des matières

• Installation
• Démo de l'algorithme MEMIT
• Exécution de la suite d'évaluation complète
• Génération de courbes d'échelle
• Comment citer

Installation

Nous recommandons conda pour gérer Python, CUDA et PyTorch ; pip est pour tout le reste. Pour commencer, installez simplement conda et exécutez :

CONDA_HOME= $CONDA_HOME ./scripts/setup_conda.sh

$CONDA_HOME doit être le chemin d'accès à votre installation conda , par exemple ~/miniconda3 .

Démo de l'algorithme MEMIT

notebooks/memit.ipynb démontre MEMIT. L'API est simple ; précisez simplement une réécriture demandée de la forme suivante :

 request = [
    {
        "prompt" : "{} plays the sport of" ,
        "subject" : "LeBron James" ,
        "target_new" : {
            "str" : "football"
        }
    },
    {
        "prompt" : "{} plays the sport of" ,
        "subject" : "Michael Jordan" ,
        "target_new" : {
            "str" : "baseball"
        }
    },
]

D’autres exemples similaires sont inclus dans le cahier.

Exécution de la suite d'évaluation complète

experiments/evaluate.py peut être utilisé pour évaluer n'importe quelle méthode dans baselines/ .

Par exemple:

 python3 -m experiments.evaluate 
    --alg_name=MEMIT 
    --model_name=EleutherAI/gpt-j-6B 
    --hparams_fname=EleutherAI_gpt-j-6B.json 
    --num_edits=10000 
    --use_cache

Les résultats de chaque exécution sont stockés dans results/<method_name>/run_<run_id> dans un format spécifique :

results/
| __ MEMIT/
    | __ run_ < run_id > /
        | __ params.json
        | __ case_0.json
        | __ case_1.json
        | __ ...
        | __ case_10000.json

Pour résumer les résultats, vous pouvez utiliser experiments/summarize.py :

python3 -m experiments.summarize --dir_name=MEMIT --runs=run_ < run 1> ,run_ < run 2>

L'exécution de python3 -m experiments.evaluate -h ou python3 -m experiments.summarize -h fournit des détails sur les indicateurs de ligne de commande.

Comment citer

 @article { meng2022memit ,
  title = { Mass Editing Memory in a Transformer } ,
  author = { Kevin Meng and Sen Sharma, Arnab and Alex Andonian and Yonatan Belinkov and David Bau } ,
  journal = { arXiv preprint arXiv:2210.07229 } ,
  year = { 2022 }
}